Категория определенности-неопределенности как проблема перевода: На материале русского и английского языков

Исследования категории определенности-неопределенности (КОН) как в морфологическом, так и функционально-семантическом аспекте, поднимают широкий пласт теоретических проблем, связанных с референцией, семантикой артиклей в артиклевых языках, типами соответствия одноименных артиклей в разных артиклевых языках (например, каковы семантические различия между определенным артиклем во французском и в английском языке), а также типами соответствия между проявлениями скрытой категории определенности-неопределенности в безартиклевых языках и ее грамматическими показателями (детерминаторами) в артиклевых. Именно этот последний аспект будет находиться в фокусе внимания данной работы. В качестве исследуемой пары языков были выбраны русский (исходный язык, безартиклевый) и английский (язык перевода, артиклевый).

Кроме теоретического аспекта (изучение поведения КОН на всех уровнях описания языка: фонетическом, морфологическом, синтаксическом, семантическом, логическом, прагматическом), в исследованиях такого рода существует еще и прикладной аспект. Он связан с поиском алгоритма осуществления грамматически (и, по возможности, семантически) адекватного перевода с безартиклевого языка на артиклевый в системах автоматического (машинного) перевода, а также с построением правил употребления артикля в процессе обучения артиклевому языку как иностранному людей, для которых родным является безартиклевый язык. Тестирование существующих систем машинного перевода показывает, что результат расстановки артиклей в тексте нельзя признать удовлетворительным, что делает решение данной задачи важным и актуальным. В нашем исследовании мы в первую очередь сосредоточимся именно на прикладном аспекте.

В рамках теоретических исследований, посвященных КОН, и шире, проблемам референции, накоплен богатый материал для сопоставительного анализа, имеющего прикладную ориентацию. В связи с этим возникает вопрос, нельзя ли при помощи довольно простых с лингвистической точки зрения, механизмов повысить качество перевода уже существующих систем автоматического перевода, не перерабатывая радикально их идеологию. Возможно несколько способов улучшить результат:

1) Дополнить синтез блоком, обеспечивающим отслеживание тождественных референтов по всему тексту.

2) Дополнить словарь системы специально разработанным множеством помет, помогающим выставить правильное значение категории определенности-неопределенности в тексте перевода, а также построить систему правил продукции вида «Если X, то У», основанную, с одной стороны, на всех теоретических описаниях поведения категории как в языке исходного текста, так и в языке перевода, а с другой, на статистической регулярности ее выражения при именных лексемах в тексте.

С нашей точки зрения, наиболее реалистичен второй способ. Следует сделать оговорку о том, что тип систем перевода, рассматриваемый в данной работе, не строит семантическое представление всего текста, но проводит его морфологический анализ (полная атрибуция словоформы в тексте) и синтаксический анализ (в частности, система умеет вычленять именные группы и определять их синтаксическую вершину). Некоторые семантические сведения предусмотрены в структуре словарной статьи словаря системы, который является одним из важнейших ее компонентов. Однако речь идет не только об улучшении перевода, выполняемого машиной, но и об облегчении процесса порождения текста на иностранном языке человеком. Поскольку наивная картина мира носителей артиклевого и безартиклевого языка по-разному фиксирует в языке определенность-неопределенность, то, по всей видимости, нельзя говорить о полном постижении смысла этой категории в иностранном языке. Поэтому заранее согласившись с тем, что ошибки при расстановке артиклей неизбежны, мы ставим перед собой в данном исследовании задачу выяснить вопрос о том, возможно ли руководствоваться некоторыми статистическими характеристиками при переводе текста с русского языка на английский с целью повышения качества перевода и насколько высокой будет цена неизбежных при этом ошибок. В качестве подъязыка, который предположительно обслуживается системой автоматического перевода, выбран подъязык научных текстов (или, немного шире, подъязык научно-деловой прозы). Материалом исследования послужили русский текст и перевод на английский язык книги А. Е. Кибрика «Методика полевых исследований» ([Кибрик 1972] и [Kibrik 1977]). Исследовалась детерминация в первую очередь предметной (тематической) лексики (т.е. лексики, формирующей смысловое пространство данного текста), а также общенаучной лексики (являющейся своего рода логической предикатной сеткой, «цементирующей» текст). При обработке данных использовалось лингвистическое программное обеспечение (конкордансы, компьютерные словари), созданное компаниями ABBYY Software House, МедиаЛингва, Информатик, New Media Generation, Polyglossum. Для тестирования систем машинного перевода (Socrat версии 2.0 и Stylus версии 2.5.1), данные которого приводятся в разделе «Приложение 4» использовались тексты научно-популярных статей по компьютерной тематике. Для выявления контекстов употребления артиклей в английском языке использовались авторитетные грамматики и словари английского языка, список которых приводится в соответствующем разделе Библиографии.

Практическое применение результатов данного исследования может осуществляться в трех направлениях:

1) Улучшение качества перевода, выполняемого существующими системами машинного перевода.

2) Оптимизация правил употребления артикля при обучении английскому языку как иностранному.

3) Улучшение качества текста, порождаемого человеком на английском языке как иностранном (например, при написании научной статьи на английском языке).

Значительная часть данного исследования была выполнена в рамках проекта типологического описания языков компании ABBYY Software House.

Выводы.

1. Как показывает анализ материала, в научном тексте выделяется особенный функциональный пласт лексики, называемый нами «текстовыми операторами». Основные их свойства можно сформулировать следующим образом: 1) они устанавливают отношения между элементами предметной области текста- 2) по умолчанию они не могут являться темой, «основным персонажем» научного текста- 3) некоторые группы текстовых операторов в подавляющем большинстве случаев имеют какое-либо одно значение КОН.

2. Последнее свойство текстовых операторов можно использовать для улучшения результатов автоматического перевода. Это возможно следующим образом: при лексеме, являющейся текстовым оператором, в словаре хранится информация о семантическом классе, к которому она принадлежит (почти все классы имеют определение, согласно которому в них могут добавляться новые лексемы)23- о том, какое «Вероятностное значение категории определенности» ему соответствует, а также для.

23 Поэтому в конце каждого из списков, приводимых в разделе 2.1.1 параграфа 2 главы 3 предполагается «многоточие», означающее возможность пополнения класса. данного конкретного слова численное значение вероятности появления при ней соответствующего артикля,.

3. Анализ описания артикля в грамматиках английского языка, а также употребление артиклей в текстах позволяет выявить такие контексты, которые с наибольшей (по сравнению с другими) вероятностью приводят к появлению того или иного артикля.

4. Описанные в главе 2 контексты, в которых значение КОН определяется более или менее однозначно, а также вероятностные значения, посчитанные для некоторых из этих контекстов, позволяют смоделировать алгоритм расстановки артиклей в тексте.

5. Как и в любой теории, основывающейся на вероятностных предположениях, в построенном алгоритме возможны некоторые огрубления и игнорирование каких-либо закономерностей языка, а также некоторые контексты могут вступать в противоречие. Однако, возвращаясь к промышленным системам автоматического перевода, данный алгоритм представляется мне более эффективным, чем существующие в этих системах, что и показывает пример использования системы правил.

6. Если все знания о поведении ФСКОН в русском языке помыслить себе как оконное стекло, то реальные знания о ней, освещенные на сегодняшний день в литературе, могут выглядеть как небольшой мазок кистью. Но тем не менее даже такой объем информации позволяет сформулировать правила приписывания значений КОН, приводящие к повышению результатов перевода.

7. Даже при скептическом отношении к идее автоматического перевода вообще и его применении к множеству научных текстов в частности нельзя не признавать практическую полезность существующих в настоящее время коммерческих систем с их достаточно простым программным обеспечением. Небольшой дополнительный блок, радикально не меняющий лингвистическую идеологию программ, контуры которого намечены в данном исследовании, может привести к ощутимому улучшению результатов их работы.

Заключение

.

Проделанное исследование позволяет сделать следующие выводы:

1. При переводе с русского языка на английский основная сложность состоит в том, что КОН в русском языке является «скрытой», а в английском — грамматической. В связи с этим для осуществления адекватного перевода необходимо учитывать как факторы, позволяющие локально фиксировать признаки КОН для русского языка, так и факторы выбора артикля в английском языке.

2. Если правила употребления артикля в английском языкеобласть научных исследований с большой историей, то изучение влияния различных языковых параметров на тип детерминации именной группы в русском языке — область, еще ожидающая глубокого, фундаментального и последовательного описания. Поэтому на данном этапе закономерности, наиболее четко и ясно описывающие тип РС ИГ базируются на свойствах лексических классов слов. Нам представляется, что «лексически ориентированное» направление таких исследований может дать еще много практически применимых результатов.

3. Проблема интерпретации русской «скрытой» КОН при переводе на английский язык также актуальны и для практического приложения теории перевода — машинного перевода. Понятно, что сколько-нибудь полное и адекватное решение указанной проблемы требует разработки модели поддержания референции в дискурсе. В теоретическом плане подобная задача в принципе решаема. Но применение такой модели в системах автоматического перевода на данной стадии их развития практически нереально. Более того, проблема правильной расстановки артиклей практически никак не решается в современных промышленных системах АП. В связи с этим мы разработали правила расстановки артиклей, базирующиеся только на тех факторах, действие которых может быть отслежено в рамках отдельно взятого предложения. Характеристики, используемые в алгоритме, носят вероятностный характер. Хотя это и предполагает заранее возможность постановки неправильного артикля в определенном проценте случаев, но по крайней мере, снижает процент ошибок по сравнению с фактически произвольной расстановкой артиклей в нынешних коммерческих системах автоматического (машинного) перевода. Более того, даже если алгоритм не учитывает всего множества факторов, определяющих значение ФСКОН в русском языке и КОН в английском языке, становится понятно, какую информацию учесть нельзя, а какую можно, но при выполнении дополнительных условий. Если диагностика ошибки понятна и предсказуема, ее легче устранить, чем в случае большого количества произвольных разнородных ошибок.

4. Исследование поведения категории определнности-неопределенности в текстах научного подъязыка показало одну яркую тенденцию в развитии этого жанра. Научные тексты, создаваемые на английском языке, а также переводимые на него, все больше и больше отдаляются от того, что мы собственно привыкли считать английским языком (будь то British English или American English). Применение «вероятностного подхода» к проблеме расстановки артикля стало возможно именно потому, что сейчас в процессе развития находится практически новый язык. Это в некотором роде «искусственный» язык, создаваемый на базе английского, но функционирующий по своим законам и правилам (которые, в частности, касаются и расстановки артиклей).

5. В научном тексте выделяется особенный функциональный пласт лексики, называемый нами «текстовыми операторами». Одно из примечательных их свойств состоит в том, что некоторые группы текстовых операторов в подавляющем большинстве случаев имеют какое-либо одно значение КОН. Это сделало возможным ввести понятие «Вероятностного значения КОН», используемого при описании текстовых операторов, а также при построении алгоритма расстановки артиклей. Следует отметить, что особенности поведения тех или иных групп текстовых операторов могут быть использованы не только в системах МП, но и в бумажных словарях, предназначенных в помощь человеку, создающему текст на иностранном языке,.

6. Если говорить о возможных перспективах в исследовании данного вопроса, то исследование интересно было бы продолжить в нескольких направлениях. Первое направление — совершенствование словарного обеспечения систем АП. Разнообразные данные (как описанные в литературе, так и исследуемые в работе) показали, что есть два пласта лексики, которые в словаре могут быть снабжены пометой, помогающей при расстановке артиклей в тексте на английском языкес одной стороны, это глаголы различных семантических классов, накладывающие ограничения на значения КОН своих актантов, а с другой, — это именные лексемы, для которых в работе использовался термин «текстовый оператор». Второе направление — это проверка «вероятностных» правил на других, наиболее актуальных для современных систем автоматического перевода подъязыках (например, юридические тексты, тексты деловой прозы).

7. Среди теоретических проблем особенный интерес представляет изучение влияния синтаксических, коммуникативных и дискурсивных характеристик высказывания на тип детерминации ИГ и поиск возможностей их алгоритмической реализации. Они представляют собой второй (после лексических характеристик), более высокий по сложности уровень взаимодействия с ФСКОН в русском языке.